数据科学的职业：如何开始
作为教育者，没有更高的快乐，而不是帮助我们的学生在数据科学中找到他们的方式。几个月前，我们向所有社区成员发出了一项调查，向他们询问他们在开始数据科学事业方面的担忧。
我们收到了超过1,000个回复！将其分组成共同主题，出现了以下问题：
- 为什么我们需要数据科学？
- 在数据科学领域工作需要什么?
- 我怎么能证明我的工作？
- 我应该什么时候开始学习数据科学?
我希望在职业生涯之初就有机会问这些问题。我将为你提供一些最好的入门技巧，给你大量关于如何找工作的建议，并向你展示如何在毫无经验的情况下开始数据科学(这并不是你想象的那么不可能!)
为什么我们需要数据科学？
我喜欢回答这个问题 - 数据科学家总是在寻找业务的“Whys”的答案。
要得出结论，我们需要了解该领域的实际情况。数据科学包含与数据有关的一切。当您考虑无处不在的数据是如何，这可能会很广泛，但这只是它的方式。
曾几何时，数据科学只能在其他字段中作为组件。多年来，这些领域开发了自己的算法，方法，以及与数据合作以回答业务问题的群体。但随着数据驱动所有内容，这只是一个纪律才能在自己的权利中出现的时间问题。
这一领域经历了严重的增长，从谷歌上搜索词“数据科学”的结果可以看出:
自己试试吧。与所有大型数据科学工具一样，您可以过滤结果（根据时间，位置，主题类别）过滤结果（此处。
因为纪律可以应用到任何有数据的地方，而且它的原则可以增加价值，我们可以对业务运作的方式产生重大影响。
结论:
我们需要数据科学
- 因为数据无处不在
- 因为数据增加了企业和人员的价值
我需要在数据科学中工作什么？
随着数据科学变得更加明显，很多人都接受了该领域的通知，但他们仍然是他们如何访问它的态度。好消息是，这个主题是如此新的，尚未进入业界的“标准”。
哈德林德·庞特维斯和我采取不同的路线在数据科学中成为企业家，所以你可能会发现你在我们的一个故事中认识自己：
哈德琳德·庞特维斯
当他对数学的热情开发了高中时，Hadelin于高中开始了他的数据科学之旅。当它来选择大学学位时，Hadelin自然选择了数学。在完成他的本科学位后，哈德林决定他尚未结束这个主题，所以他在数学硕士学位。
对哈德林来说，去法国的一所工程学院学习是合乎逻辑的。在那里，他加深了一系列学科的知识，从数学到经济学，生物学，甚至哲学，然后专攻机器学习(ML)和应用数学。
为了加强自己的投资组合，哈德林还抓住了在法国高级有线电视频道Canal+实习的机会，在那里他学会了金融和战略方面的诀窍。最终，哈德林想要的是找到一个地方，既可以继续他的教育，又可以将他的理论应用于商业。
在他的学习后不久，谷歌被谷歌抢购，他曾担任商业智能单位的数据科学家。在像谷歌这样的大规模集团工作，给了他在深度学习的不可估量的经历。但他的目标一直是成为一个企业家，所以哈德林决定是时候开始在下一代数据科学家制作在线课程。
他成功的真正秘诀是什么?哈德林发誓要每天吃一大块巧克力!吃成堆的巧克力不会让你变成下一个哈德林巧克力，但我们的结论是做让你感到快乐和精力充沛的事情。数据科学之旅需要奉献精神和技能:在此过程中，不要忘记善待自己。
Kirill Eremenko.
我的故事开始于我第一次坐在棋盘前。我喜欢象棋，尤其是游戏背后的逻辑和策略。我总是花很长时间才迈出一步，因为我总是沉迷于分析每一种可能获胜的可能性!
这种早期逻辑的兴趣是让我在大学的物理学。虽然我很喜欢这个主题，但它给了我一些基本面，我可以在其他地方申请，我没有在大学后继续使用它，因为它会限制我到一个地区。
此外，我一直对以商业为导向的科目表现出兴趣，这些科目更广泛、更多才多艺。也正是因为这个原因，我开始攻读会计与金融硕士学位。这两个主题都是建立企业家信心的基础。
即便如此，我还是很谨慎——我知道要想成功，我需要看看其他人是怎么做的。为了获得这些知识，我申请了德勤会计部门的一份工作，并很幸运地得到了这份工作。第一天上班时，德勤的一位合伙人看了我的简历，说我非常适合他们的数据科学系——我有什么资格说不呢?
我发现为Deloitte工作了一个迷人的研究，进入专业服务公司如何运营，并且能够了解如何在数据科学中擅长的。
虽然德勤可能是许多人想要进入业界的金色鹅，但不要因为最大的名字而拍摄。我在那里度过了如此伟大的体验，不是因为它是一个着名的跨国公司，而是因为他们允许我申请我的知识并提高我的技能。这就是任何人为行业都需要擅长的东西 - 有机会发展。只需选择一个行业并探索其中的许多类型的公司。
这就是我想从我的下一份工作中得到的:在我所学的基础上创造和发展。当我被一家养老基金挖走时，他们让我从零开始发展他们的数据科学部门，设计一种方法来帮助他们的组织一起处理数据，并提供一种不同的客户体验方法。
我在那里工作了很大的时光，但这让我觉得为自己工作。一旦他觉得他准备好了并聚集了足够的经历，我跃入了企业家精神，开始创造了关于数据科学的Udemy课程。
结论:
没有一个到数据科学的路线，所以世界是你的牡蛎。对于我们而言，关键是确保您在教育和经验的平衡方面，以为知识渊博和对业界充满信心，但这取决于您到您的地址以及如何获取它们。
在其他人的经历中找到知识，尽可能多地阅读，与其他人一起参与您想要成为的人，同时在尝试实现自己的数据科学目标时！
我怎么能证明我的工作？
随着数据呈指数级增长，我们需要更多的数据科学家来开发能够处理数据的工具。这可能会让我们相信，数据科学的职业不会受到自动化的影响。
然而，这并不是全部——我们生产处理数据工具的能力越强，我们自己的领域的自动化程度就越高。有些机器人可以处理整个数据科学过程，不需要任何人类的互动。
那么，数据科学家会被自己的算法取代吗？
哈德琳和我已经用Datarobot首席执行官Jeremy Achin讨论了这项确切的事情。Achin和他的团队创建了一个自助式ML平台，任何人都可以上传他们的数据来处理机器。这些机器人几乎没有基本。它们允许您不仅从输入的数据中获得洞察，而且还可以获得需要解决方案的特定问题。DataRobot是自动化数据分析的众多公司之一。
我们知道这个领域的发展方向，我们不想向你兜售任何虚假的梦想，如果你成为一名数据科学家，你的工作将是100%安全的。要想在这场游戏中保持领先，就必须明白，虽然数据机器人可能真的会取代数字处理器，但数据科学也需要人们想出捕捉、存储和处理信息的新方法。
一台机器可能能够更快地做事，甚至可以识别任务的最佳解决方案，但它不能（又一）设计了数据科学项目的完全新方法。
考虑一下 - 遵守规则更难遵守结果，或者锻炼完全新的途径来实现它们？
进入现场现在是将自己抵销的最佳时机，在您不做'处于风险的任务的水平，保护您免受自动化威胁。我们可以给出的最好建议是专注于加强创造力。
为了更多地洞察未来证明您的职业生涯，只有一个真正的建议可以遵循：保持自己好奇，让自己饿，尽可能多地学习。即使有数据潮汐波以这种方式移动，我们也不想闹脑，并且有数百个新的和令人兴奋的机会。你只需要准备好，最好的方式是立即开始！
结论:
机器人会变得更智能，数据科学也不会完全不受自动化的影响。但我们也需要数据科学家来理解这些机器人和算法的机制。它们的功能是如何工作的?如何管理它们?我们如何为公司获得可执行的产出?我们还需要思考者——他们能够承担那些机器处理能力较弱的创造性任务。尽早进入游戏，当自动化开始发生时，你就会遥遥领先。
我什么时候应该开始在数据科学中？
考虑到这个领域是在相对阶段，有些人想知道是否会在弄湿脚之前等待它。如果您阅读了前一点，您应该知道我们对此问题的答案：目前没有时间。
现在，公司开始将数据科学团队引入到他们的组织中——即使是那些核心产出与科学无关的团队!我们生活在一个竞争激烈的世界。精明的公司明白，要想留在游戏中，他们需要一个数据科学团队来深入了解客户和业务运营，从而获得竞争优势，确保自己不会被赶出市场。
这意味着当一家公司开始使用数据科学时，其竞争对手将别无选择，只能遵循西装。
随着大多数公司现在都在组建数据科学团队，更多的机会将会出现。量化紧缩，数据科学领导者IBM委托Burning Glass Technologies撰写的一份报告指出:
”到2020年，根据IBM，所有美国数据专业人员的工作数量将增加364,000次开口为2,720,000。”
如果我们认为美国人口接近4亿，这将有效意味着超过一半的美国人口将在今年的数据科学中！数据科学工作通常保持开放45天，这是“比市场平均值的五天”（燃烧玻璃技术，2017）。这意味着公司为填补这些角色而难以努力，这告诉我们人员目前不存在。
你还在等什么？现在进入该领域，但您可以在教育或练习中，确保您成为未来社区的一部分。
结论:
有很多方法可以开始，你今天可以这样做：为什么不采取课程，抓住几本好书，成为实习生，与现实世界的数据集一起练习，或者在公民科学项目中帮助练习？即使你在这个阶段只是'唯一'教育自己，你也仍然在游戏和社区中保持自己。如果你只是俯视你的时间，请不要。公司正在寻找你，他们愿意为您提供一大笔钱。
